Complexidade de Algoritmos

Siang Wun Song - Universidade de So Paulo - IME/USP

MAC 5710 - Estruturas de Dados - 2008

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Objetivo de estudar complexidade de algoritmos

Por que analisar a complexidade dos algoritmos? A preocupao com a complexidade de algoritmos fundamental para projetar algoritmos ecientes. Podemos desenvolver um algoritmo e depois analisar a sua complexidade para vericar a sua ecincia. Mas o melhor ainda ter a preocupao de projetar algoritmos ecientes desde a sua concepo.

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Ecincia ou complexidade de algoritmos

Para um dado problema considere dois algoritmos que o resolvem. Seja n um parmetro que caracteriza o tamanho da entrada do algoritmo. Por exemplo, ordenar n nmeros ou multiplcar duas matrizes quadradas n n (cada uma com n2 elementos). Como podemos comparar os dois algoritmos para escolher o melhor?

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Complexidade de tempo ou de espao

Precisamos denir alguma medida que expresse a ecincia. Costuma-se medir um algoritmo em termos de tempo de execuo ou o espao (ou memria) usado.
Para o tempo, podemos considerar o tempo absoluto (em minutos, segundos, etc.). Medir o tempo absoluto no interessante por depender da mquina. Em Anlise de Algoritmos conta-se o nmero de operaes consideradas relevantes realizadas pelo algoritmo e expressa-se esse nmero como uma funo de n. Essas operaes podem ser comparaes, operaes aritmticas, movimento de dados, etc.

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Pior caso, melhor caso, caso mdio

O nmero de operaes realizadas por um determinado algoritmo pode depender da particular instncia da entrada. Em geral interessa-nos o pior caso, i.e., o maior nmero de operaes usadas para qualquer entrada de tamanho n. Anlises tambm podem ser feitas para o melhor caso e o caso mdio. Neste ltimo, supe-se conhecida uma certa distribuio da entrada. Exemplo: Busca seqencial de um dado elemento em um vetor armazenando n elementos de forma aleatria. Discuta o pior caso, melhor caso e o caso mdio. No caso mdio suponha a distribuio uniforme e que o dado buscado est dentro do vetor. Como muda o caso mdio se o dado em geral no est presente?

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Complexidade de tempo

Como exemplo, considere o nmero de operaes de cada um dos dois algoritmos que resolvem o mesmo problema, como funo de n. Algoritmo 1: f1 (n) = 2n2 + 5n operaes Algoritmo 2: f2 (n) = 500n + 4000 operaes Dependendo do valor de n, o Algoritmo 1 pode requerer mais ou menos operaes que o Algoritmo 2. (Compare as duas funes para n = 10 e n = 100.)

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Comportamento assinttico

Algoritmo 1: f1 (n) = 2n2 + 5n operaes Algoritmo 2: f2 (n) = 500n + 4000 operaes Um caso de particular interesse quando n tem valor muito grande (n ), denominado comportamento assinttico. Os termos inferiores e as constantes multiplicativas contribuem pouco na comparao e podem ser descartados. O importante observar que f1 (n) cresce com n2 ao passo que f2 (n) cresce com n. Um crescimento quadrtico considerado pior que um crescimento linear. Assim, vamos preferir o Algoritmo 2 ao Algoritmo 1.

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Notao O
Dada uma funo g(n), denotamos por O(g(n)) o conjunto das funes
{ f (n) : constantes c e n0 tais que 0 f (n) cg(n) para n n0 .}

Isto , para valores de n sucientemente grandes, f (n) igual ou menor que g(n). Como abuso de notao, vamos escrever f (n) = O(g(n)) ao invs de f (n) O(g(n)). Algoritmo 1: f1 (n) = 2n2 + 5n = O(n2 ) Algoritmo 2: f2 (n) = 500n + 4000 = O(n)
Um polinmio de grau d de ordem O(nd ). Como uma constante pode ser considerada como um polinmio de grau 0, ento dizemos que uma constante O(n0 ) ou seja O(1).
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Exerccios sobre notao O

Repetimos a denio: Dada uma funo g(n), denotamos por O(g(n)) o conjunto das funes { f (n) : constantes c e n0 tais que 0 f (n) cg(n) para n n0 .} Isto , para valores de n sucientemente grandes, f (n) igual ou menor que g(n). Como abuso de notao, vamos escrever f (n) = O(g(n)) ao invs de f (n) O(g(n)).
1 2 3

verdade que 2n2 + 100n = O(n2 )? Prove. verdade que 10 +

4 n

= O(n0 ) = O(1)? Prove.

Escreva a seguinte funo em notao O, sem provar: 4n2 + 10 log n + 500. Mesmo para a funo. 5nn + 102n Mesmo para a funo. 2(n 1)n + nn1

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Notao

Dada uma funo g(n), denotamos por (g(n)) o conjunto das funes
{ f (n) : constantes c e n0 tais que 0 cg(n) f (n) para n n0 .}

Isto , para valores de n sucientemente grandes, f (n) igual ou maior que g(n). Novamente, abusando a notao, vamos escrever f (n) = (g(n))).

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Notao

Dadas duas funes f (n) e g(n), temos f (n) = (g(n)) se e somente se f (n) = O(g(n))) e f (n) = (g(n))).

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Importncia
Considere 5 algoritmos com as complexidades de tempo. Suponhamos que uma operao leve 1 ms.
n 16 32 512 f1 (n) = n 0.016s 0.032s 0.512s f2 (n) = n log n 0.064s 0.16s 9s f3 (n) = n2 0.256s 1s 4m 22s f4 (n) = n3 4s 33s 1 dia 13h f5 (n) = 2n 1m 4s 46 dias 10137 sculos

(Verique se resolveria usar uma mquina mais rpida onde uma operao leve 1 ps (pico segundo) ao invs de 1 ms: ao invs de 10137 sculos seriam 10128 sculos :-) Podemos muitas vezes melhorar o tempo de execuo de um programa otimizando o cdigo (e.g. usar x + x ao invs de 2x, evitar re-clculo de expresses j calculadas, etc.). Entretanto, melhorias muito mais substanciais podem ser obtidas se usarmos um algoritmo diferente, com outra complexidade de tempo, e.g. obter um algoritmo de O(n log n) ao invs de O(n2 ).
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Importncia
Considere 5 algoritmos com as complexidades de tempo. Suponhamos que uma operao leve 1 ms.
n 16 32 512 f1 (n) = n 0.016s 0.032s 0.512s f2 (n) = n log n 0.064s 0.16s 9s f3 (n) = n2 0.256s 1s 4m 22s f4 (n) = n3 4s 33s 1 dia 13h f5 (n) = 2n 1m 4s 46 dias 10137 sculos

(Verique se resolveria usar uma mquina mais rpida onde uma operao leve 1 ps (pico segundo) ao invs de 1 ms: ao invs de 10137 sculos seriam 10128 sculos :-) Podemos muitas vezes melhorar o tempo de execuo de um programa otimizando o cdigo (e.g. usar x + x ao invs de 2x, evitar re-clculo de expresses j calculadas, etc.). Entretanto, melhorias muito mais substanciais podem ser obtidas se usarmos um algoritmo diferente, com outra complexidade de tempo, e.g. obter um algoritmo de O(n log n) ao invs de O(n2 ).
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Importncia
Considere 5 algoritmos com as complexidades de tempo. Suponhamos que uma operao leve 1 ms.
n 16 32 512 f1 (n) = n 0.016s 0.032s 0.512s f2 (n) = n log n 0.064s 0.16s 9s f3 (n) = n2 0.256s 1s 4m 22s f4 (n) = n3 4s 33s 1 dia 13h f5 (n) = 2n 1m 4s 46 dias 10137 sculos

(Verique se resolveria usar uma mquina mais rpida onde uma operao leve 1 ps (pico segundo) ao invs de 1 ms: ao invs de 10137 sculos seriam 10128 sculos :-) Podemos muitas vezes melhorar o tempo de execuo de um programa otimizando o cdigo (e.g. usar x + x ao invs de 2x, evitar re-clculo de expresses j calculadas, etc.). Entretanto, melhorias muito mais substanciais podem ser obtidas se usarmos um algoritmo diferente, com outra complexidade de tempo, e.g. obter um algoritmo de O(n log n) ao invs de O(n2 ).
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Cota superior ou limite superior (upper bound)

Seja dado um problema, por exemplo, multiplicao de duas matrizes quadradas n n. Conhecemos um algoritmo para resolver este problema (pelo mtodo trivial) de complexidade O(n3 ). Sabemos assim que a complexidade deste problema no deve superar O(n3 ), uma vez que existe um algoritmo que o resolve com esta complexidade. Uma cota superior ou limite superior (upper bound) deste problema O(n3 ).
O(n3 )

A cota superior de um problema pode mudar se algum descobrir um outro algoritmo melhor.
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Cota superior (upper bound)

O Algoritmo de Strassen reduziu a complexidade para O(nlog 7 ). Assim a cota superior do problema de multiplicao de matrizes passou a ser O(nlog 7 ).
O(nlog 7 ) O(n3 )

Coppersmith e Winograd melhoraram ainda para O(n2.376 ). Cota superior diminui

 O(n2.376 ) O(nlog 7 ) O(n3 )

Note que a cota superior de um problema depende do algoritmo. Pode diminuir quando aparece um algoritmo melhor.
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Analogia com record mundial

A cota superior para resolver um problema anloga ao record mundial de uma modalidade de atletismo. Ele estabelecido pelo melhor atleta (algoritmo) do momento. Assim como o record mundial, a cota superior pode ser melhorada por um algoritmo (atleta) mais veloz. Cota superior da corrida de 100 metros rasos: Ano Atleta (Algoritmo) Tempo 1988 Carl Lewis 9s92 1993 Linford Christie 9s87 1993 Carl Lewis 9s86 1994 Leroy Burrell 9s84 1996 Donovan Bailey 9s84 1999 Maurice Greene 9s79 2002 Tim Montgomery 9s78 2007 Asafa Powell 9s74 2008 Usain Bolt 9s72 2008 Usain Bolt 9s69 2009 Usain Bolt 9s58
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Seqncia de Fibonacci
Para projetar um algoritmo eciente, fundamental preocupar-se com a sua complexidade. Como exemplo: considere a seqncia de Fibonacci. 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, . . . A seqncia pode ser denida recursivamente: if n = 0 0 1 if n = 1 Fn = Fn1 + Fn2 if n > 1 Dado o valor de n, queremos obter o n-simo elemento da seqncia. Vamos apresentar dois algoritmos e analisar sua complexidade.
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Algoritmo 1: funo bo1(n)

Seja a funo bo1(n) que calcula o n-simo elemento da seqncia de Fibonacci.
Input: Valor de n Output: O n-simo elemento da seqncia de Fibonacci Function bo1(n) 1: if n = 0 then 2: return 0 3: else 4: if n = 1 then 5: return 1 6: else 7: return bo1(n 1) + bo1(n 2) 8: end if 9: end if

Experimente rodar este algoritmo para n = 100 :-) A complexidade O(2n ). (Mesmo se uma operao levasse um picosegundo, 2100 operaes levariam 3 1013 anos = 30.000.000.000.000 anos.)
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Algoritmo 1: funo bo1(n)

Seja a funo bo1(n) que calcula o n-simo elemento da seqncia de Fibonacci.
Input: Valor de n Output: O n-simo elemento da seqncia de Fibonacci Function bo1(n) 1: if n = 0 then 2: return 0 3: else 4: if n = 1 then 5: return 1 6: else 7: return bo1(n 1) + bo1(n 2) 8: end if 9: end if

Experimente rodar este algoritmo para n = 100 :-) A complexidade O(2n ). (Mesmo se uma operao levasse um picosegundo, 2100 operaes levariam 3 1013 anos = 30.000.000.000.000 anos.)
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos

Algoritmo 2: funo bo2(n)

Function bo2(n) 1: if n = 0 then 2: return 0 3: else 4: if n = 1 then 5: return 1 6: else 7: penultimo 0 8: ultimo 1 9: for i 2 until n do 10: atual penultimo + ultimo 11: penultimo ultimo 12: ultimo atual 13: end for 14: return atual 15: end if 16: end if A complexidade agora passou de O(2n ) para O(n). Voce sabe que d para fazer em O(log n)? Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade (Como bom saber anlise de algoritmos :-) de Algoritmos

Cota inferior (lower bound)

As vezes possvel demonstrar que, para um dado problema, qualquer que seja o algoritmo a ser usado, o problema requer pelo menos um certo nmero de operaes. Essa complexidade chamada cota inferior (lower bound) do problema. Note que a cota inferior depende do problema mas no do particular algoritmo.

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Cota inferior para multiplicao de matrizes

Para o problema de multiplicao de matrizes quadradas n n, apenas para ler os elementos das duas matrizes de entrada ou para produzir os elementos da matriz produto leva tempo O(n2 ). Assim uma cota inferior trivial (n2 ). Na analogia anterior, uma cota inferior de uma modalidade de atletismo no dependeria mais do atleta. Seria algum tempo mnimo que a modalidade exige, qualquer que seja o atleta. Uma cota inferior trivial para os 100 metros rasos seria o tempo que a velocidade da luz leva para percorrer 100 metros no vcuo.

Siang Wun Song - Universidade de So Paulo - IME/USP

Complexidade de Algoritmos

Meta: aproximando as duas cotas

Cota inferior pode aumentar Cota superior pode diminuir 

(n2 )

O(n2.376 ) O(nlog 7 )

O(n3 )

Se um algoritmo tem uma complexidade que igual cota inferior do problema, ento ele assintoticamente timo. O algoritmo de Coppersmith e Winograd de O(n2.376 ) mas a cota inferior (conhecida at hoje) de (n2 ). Portanto no podemos dizer que ele timo. Pode ser que esta cota superior possa ainda ser melhorada. Pode tambm ser que a cota inferior de (n2 ) possa ser melhorada (isto aumentada). Para muitos problemas interessantes, pesquisadores dedicam seu tempo tentando encurtar o intervalo (gap) at encostar as duas cotas.
Siang Wun Song - Universidade de So Paulo - IME/USP Complexidade de Algoritmos